本研究提出了一种简单的基线模型LMMRotate，旨在解决多模态语言模型在航空检测任务中的不足。该基线通过文本输出和公平评估，检测性能与传统模型相当，为未来研究提供了参考。

本研究推出OpenNER 1.0，这是一个标准化的开放获取命名实体识别数据集，涵盖51种语言的34个数据集，旨在推动多语言NER研究并提供基线模型。

本研究提出了一种新方法，通过光场几何约束实现高效分割，显著提升实时处理速度，分割效果超越现有基线模型。

本研究提出了一种解缠自监督学习（DisentangledSSL）方法，有效解决了多模态表示学习中的信息解缠问题，优于基线模型，具有实用价值。

本文介绍了多模态问答挑战ManyModalQA，要求代理同时考虑文本、图像和表格三种模态。通过维基百科数据和众包问题-答案对，构建了模态选择器网络，分析问题中的指示模态词。尽管基线模型的表现与人类存在差距，但期望能推动多模态QA模型的研究与迁移学习。

本研究探讨了机器学习在临床应用中的挑战，包括透明度不足和评估指标复杂。研究表明，引入更强的基线模型可以有效提升医疗机器学习的评估，帮助实践者应对这些问题，并提供最佳实践以促进模型的有效部署。

本研究提出了一种名为ForecastCF的时间序列预测算法，通过梯度扰动和约束引导生成有效的反事实解释。实验结果表明，ForecastCF在反事实有效性和数据流形接近度上优于基线模型，适用于多种预测任务。

该研究聚焦于音频-视觉问答（AVQA）任务，构建了MUSIC-AVQA v2.0数据集，并提出了新的基线模型，准确性超越现有标准。研究表明，通过多模态知识和时空推理，该方法在问题回答性能上具有显著优势。

评估了ChatGPT和OpenAssistant两种LLM的零次效果，发现无法与经过微调的基线模型匹配。提示策略影响分类准确性，差异超过10%。

该研究对18种基线模型进行了评估，比较了它们在多个方面的表现。结果显示没有明确的最佳方法，最好的方法取决于用户的目标。

本研究提出了一种通用的多尺度框架，可改进基于Transformer的时间序列预测模型的性能。研究结果表明，该方法可将性能提高到38.5％，且优于基线模型。

xDial-Eval是一种基于英文对话评估数据集的多语言对话评估基准测试，建立了自监督和多语言基线模型。最好的基线模型在所有数据集和语言上的平均Pearson相关系数分别提升了6.5%和4.6%。